一个层，两种数学视角

先逐项核对离散矩阵，再把同一组状态看成沿网络深度演化的函数。连续视角来自算子拆分框架，是对经典 Transformer 的一种数学解释，不是模型在芯片上的实际连续运动。

3 个位置、d=4、2 个 Q 头共享 1 个 KV 头、单头维度 2、MLP 维度 6。全部为固定人造权重，计算顺序对照 Qwen3；数值不是实际模型输出。

最后位置 x₂[0] 1所有位置平移 0Query 头因果掩码RoPEQ/K RMSNorm

因果性检查

拖动最后位置的输入。掩码开启时，前两个位置的最终输出相对基线应保持不变；关闭掩码会成为允许读取未来的反事实实验。

查看本次数值与全部玩具权重

核心映射：Token 位置是 x，特征维度是 y，网络深度被建模为 t，隐藏状态写成 u(x,y,t)。一层网络可以视作连续演化的一次离散时间步。

输入状态 u(x,y,0)。拖动滑块，观察同一组离散计算结果之间的连续插值。

x · Token 位置y · 特征维度t · 网络深度

深度时间 t0.00突出 Tokenx₂

曲面使用左侧数值实验的真实玩具张量，并在离散子步骤之间插值。平滑运动只帮助观察状态变化；实际 Transformer 按离散算子执行。

离散模型对 Value 做加权求和；连续框架把 Token 轴上的求和推广为积分。两者表达的是同一种“从远处取回信息”的结构。

查询 Tokenx₂

论文把经典 LayerNorm 解释为投影到具有指定均值与方差的约束集合；Qwen3 实际采用 RMSNorm，不减均值。下面用同一输入并排比较，避免把两者混为一谈。

选择 Tokenx₀

这一视角能解释什么，不能解释什么？

它为经典 Transformer 的 Attention、LayerNorm、前馈层和层级组合提供统一的算子解释。它不是硬件执行模拟，也不自动覆盖 RoPE、GQA、SwiGLU、RMSNorm、MoE 或稀疏 KV 等现代机制。现代部分仍应以离散公式、模型配置和实际实现为准。